Vastag adatok vs. Big Data – Plato AiStream V2.1

Újra kiadta Platón

Követő: 0

Thick Data vs. Big Data

A COVID-19 utáni világban a vállalkozások előtt álló egyik kihívás az a tény, hogy a fogyasztói magatartás nem tér vissza a világjárvány előtti normákhoz. A fogyasztók több árut és szolgáltatást vásárolnak majd online, és egyre többen fognak távmunkát végezni, csak hogy néhány jelentős változást említsünk. Ahogy a vállalatok kezdenek eligazodni a COVID-19 utáni világban, miközben a gazdaságok lassan kezdenek újranyílni, az adatelemző eszközök használata rendkívül értékes lesz az új trendekhez való alkalmazkodásban. Az adatelemző eszközök különösen hasznosak lesznek az új vásárlási minták felderítéséhez, és személyre szabottabb élményt nyújtanak az ügyfeleknek, amellett, hogy jobban megértik a fogyasztók új viselkedését.

Sok vállalat azonban még mindig akadályokkal küzd a sikeres big data projektek előtt. Iparágakban a big data kezdeményezések elfogadása egyre terjed. A kiadások nőttek, és a big data-t használó vállalatok túlnyomó többsége a befektetés megtérülését várja. Mindazonáltal a vállalatok továbbra is a folyamatok és információk átláthatatlanságát említik a big data elsődleges fájdalompontjaként. Az ügyfélszegmensek pontos modellezése lehetetlen lehet azoknak a vállalkozásoknak, akik nem értik, miért, hogyan és mikor döntenek például ügyfeleik a vásárlás mellett.

Ennek a fájdalmas pontnak a leküzdéséhez a vállalatoknak fontolóra kell venniük a big data alternatíváját, nevezetesen a vastag adatokat, hasznos mindkét kifejezést meghatározni, Big Data vs Thick Data.

Big adatok nagy és összetett strukturálatlan adat, amelyet 3 V definiál; kötet, big data esetén nagy mennyiségű, kis sűrűségű, strukturálatlan adatot kell feldolgoznia. Ezek lehetnek ismeretlen értékű adatok, például Facebook-műveletek, Twitter-adatfolyamok, weblapon vagy mobilalkalmazásban lévő kattintásfolyamok vagy szenzorképes berendezések. Egyes szervezeteknél ez több tíz terabájt adatot jelenthet. Mások számára ez több száz petabájt is lehet. Sebesség: az adatfogadás és a műveletek gyors sebessége. Fajta számos rendelkezésre álló adattípusra utal. A strukturálatlan és félig strukturált adattípusok (például szöveg, hang és videó) további előfeldolgozást igényelnek a jelentés meghatározásához és a metaadatok támogatásához.

Vastag adatok primer és szekunder kutatási megközelítések komplex skálájáról szól, beleértve a felméréseket, kérdőíveket, fókuszcsoportokat, interjúkat, folyóiratokat, videókat és így tovább. Ez az adattudósok és antropológusok közötti együttműködés eredménye, akik együtt dolgoznak a nagy mennyiségű adat értelmezésében. Együtt elemzik az adatokat, és olyan minőségi információkat keresnek, mint a meglátások, preferenciák, motivációk és a viselkedés okai. A vastag adatok lényegében minőségi adatok (például megfigyelések, érzések, reakciók), amelyek betekintést nyújtanak a fogyasztók mindennapi érzelmi életébe. Mivel a vastag adatok célja, hogy feltárják az emberek érzelmeit, történeteit és modelljeit a világról, amelyben élnek, nehéz lehet számszerűsíteni.

Big Data és Thick Data összehasonlítása

A Big Data kvantitatív, míg a Thick Data minőségi.
A Big Data annyi információt termel, hogy valami többre van szüksége ahhoz, hogy áthidalja és/vagy feltárja a tudásbeli hiányosságokat. A Thick Data felfedi a Big Data megjelenítése és elemzése mögött meghúzódó jelentést.
A Big Data az adatpontok egy bizonyos körét tárja fel, míg a Thick Data az adatpontok társadalmi kontextusát és kapcsolatait tárja fel.
A Big Data számokat szállít; A vastag adatok történeteket szállítanak.
A Big Data az AI/gépi tanulásra támaszkodik; A Thick Data az emberi tanuláson alapul.

A Thick Data kiváló megkülönböztető eszköz lehet, segítve a vállalkozásokat abban, hogy feltárják azokat a fajta betekintéseket, amelyeket valamikor csak a nagy adatokból remélnek elérni. Segíthet a vállalkozásoknak átfogó képet nézni, és az összes különböző történetet összerakni, miközben átfogja az egyes médiumok közötti különbségeket, és felhasználhatja azokat érdekes témák és kontrasztok kiemelésére. Ellensúly nélkül a Big Data világában az a kockázat, hogy a szervezetek és az egyének elkezdenek döntéseket hozni és optimalizálni a teljesítményt a mérőszámokra – az algoritmusokból származó mérőszámok, és ebben az egész optimalizálási folyamatban az emberek, a történetek és a tényleges tapasztalatok teljesen feledésbe merülnek.

Ha a Szilícium-völgy nagy technológiai vállalatai valóban „meg akarják érteni a világot”, meg kell ragadniuk annak (nagy adat) mennyiségét és (vastag adat) minőségét egyaránt. Sajnos ez utóbbiak összegyűjtéséhez az kell, hogy ahelyett, hogy „a világot a Google Glass-en keresztül látnák” (vagy a Facebook esetében a virtuális valóságon), otthagyják a számítógépeket, és saját kezűleg tapasztalják meg a világot. Ennek két fő oka van:

Az emberek megértéséhez meg kell értened a kontextusukat
A „világ” nagy része háttértudás

Ahelyett, hogy pusztán az alapján akarna megérteni minket, amit teszünk, mint a big data esetében, a vastag adatok abból a szempontból próbálnak megérteni bennünket, hogyan viszonyulunk a sok különböző világhoz, amelyben élünk.

Csak a világunk megértésével értheti meg igazán a „világ” egészét, amit az olyan cégek, mint a Google és a Facebook, pontosan meg akarnak tenni. A világ „megértéséhez” meg kell ragadnia annak (nagy adat) mennyiségét és (vastag adat) minőségét.

Valójában azok a vállalatok, amelyek túlságosan támaszkodnak a Big Data számaira, grafikonjaira és tényeire, azt kockáztatják, hogy elszigetelik magukat ügyfeleik mindennapi életének gazdag, minőségi valóságától. Elveszíthetik azt a képességüket, hogy elképzeljék és belátják, hogyan alakulhat a világ – és saját vállalkozásaik –. Ha gondolkodásunkat a Big Data-ba helyezzük ki, az a képességünk, hogy gondos megfigyeléssel megértsük a világot, elkezd elsorvadni, ahogyan egy új város hangulatát és textúráját is hiányoljuk, ha csak GPS segítségével navigálunk benne.

A sikeres vállalatok és vezetők azon dolgoznak, hogy megértsék azt az érzelmi, sőt zsigeri kontextust, amelyben az emberek találkoznak termékükkel vagy szolgáltatásukkal, és képesek alkalmazkodni a körülmények változásához. Képesek használni az általunk kedvelt vastag adatot, amely a Big Data emberi elemét tartalmazza.

Az egyik ígéretes technológia, amely mindkét világból (Big Data és Thick Data) a legjobbat nyújtja affektív számítástechnika.

Affektív számítástechnika olyan rendszerek és eszközök tanulmányozása és fejlesztése, amelyek képesek felismerni, értelmezni, feldolgozni és szimulálni az emberi hatásokat. Ez egy interdiszciplináris terület, amely magában foglalja a számítástechnikát, a pszichológiát és a kognitív tudományt. Míg a terület eredete egészen az érzelmekkel kapcsolatos korai filozófiai kutatásokig vezethető vissza (az „affektus” alapvetően az „érzelem” szinonimája), a számítástechnika modernebb ága Rosalind Picard 1995-ös cikkéből származik. affektív számítástechnika. A kutatás motivációja a szimulációs képesség átélés. A gépnek értelmeznie kell az emberek érzelmi állapotát, és hozzá kell igazítania viselkedését, megfelelő választ adva ezekre az érzelmekre.

Az affektív számítási algoritmusok használata az adatok összegyűjtése és feldolgozása során emberibbé teszi az adatokat, és megmutatja az adatok mindkét oldalát: mennyiségi és minőségi.

Ahmed Banafa, A könyvek szerzője:

Biztonságos és intelligens dolgok internete (IoT) blokklánc és AI segítségével

Blockchain technológia és alkalmazások

Olvasson további cikkeket itt: Prof. Banafa honlapja

Referenciák

https://www.linkedin.com/pulse/8-key-tech-trends-post-covid-19-world-ahmed-banafa/

https://www.bdex.com/thick-data-why-marketers-must-understand-why-people-behave-the-way-they-do/

https://www.usertesting.com/blog/thick-data-vs-big-data

https://www.oracle.com/in/big-data/what-is-big-data/

https://www.cognizant.com/us/en/glossary/thick-data

http://www.brandwatch.com/2014/04/what-is-thick-data-and-why-should-you-use-it/

http://ethnographymatters.net/2013/05/13/big-data-needs-thick-data/